Data-driven methodologies and advanced machine learning models for predicting, evaluating, and recommending energy load measures and analysis in district area: Application of artificial intelligence

Shahcheraghian, Amir (2025). Data-driven methodologies and advanced machine learning models for predicting, evaluating, and recommending energy load measures and analysis in district area: Application of artificial intelligence. Thèse de doctorat électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (6MB) | Prévisualisation

Résumé

Several methods for district energy modeling have been proposed as potential solutions to the challenges posed by building and district energy modeling. One promising approach involves using white box models, which rely on detailed physical equations and parameters to simulate energy flows and system dynamics accurately. These models provide high accuracy and insight into the physical processes within buildings and districts. However, white box models can be computationally intensive and often require extensive data inputs. Other approaches, such as black box, are also explored to balance accuracy with computational efficiency, especially when data availability or system complexity limits the practicality of white box models.

Another method involves using black box models, including machine learning algorithms and artificial neural networks. Black box models focus on pattern recognition and statistical relationships within data rather than physical principles. They are particularly useful when extensive historical data is available, enabling them to effectively model complex, nonlinear relationships without detailed system knowledge. However, these models often lack interpretability, challenging the understanding of underlying processes and causal relationships. Despite this, black box models can offer high predictive accuracy and are computationally less intensive, making them suitable for large-scale district energy modeling where quick approximations are necessary.

This study uses machine learning and deep neural network applications to predict and evaluate energy load metrics and conduct detailed district-level analyses. Specifically, it aims to develop models to forecast energy demand, assess load distribution, and identify consumption patterns across various zones. The study includes the application of regression, classification, and clustering methods alongside deep neural networks to effectively capture both linear and nonlinear energy consumption trends. By employing these techniques, the study seeks to generate accurate energy load predictions and uncover insights into the factors driving energy demand in complex urban environments.

The research is applied to case studies involving the University of British Columbia (UBC) campus in Vancouver and the city of Stockholm in Sweden. These areas present unique energy use characteristics due to differing climates, infrastructure, and population densities, making them ideal for comparative analysis. The study’s objectives include enhancing the efficiency of energy distribution systems, identifying peak demand periods, and supporting sustainable energy planning for large district areas. Additionally, the insights gathered can inform district wide energy management practices and facilitate the integration of renewable energy sources, contributing to the development of smarter, more resilient urban energy systems.

This thesis develops and evaluates data-driven methodologies and advanced machine learning (ML) models for predicting, analyzing, and recommending energy load measures in urban district energy systems. It compares white box, black box, and hybrid modeling tools, with emphasis on their applicability in energy consulting practices. The research focuses on two major case studies: the University of British Columbia (UBC) campus and the city of Stockholm. For UBC, various ML and deep learning models, including decision trees, support vector regression, and artificial neural networks, were applied to forecast electrical, hot water, and gas consumption. These models achieved high predictive accuracy (e.g., R² up to 0.94, low MAE), and their performance was validated using a structured train-test-validate split. For Stockholm, spatial clustering methods (K-means, agglomerative clustering) were used to map heat demand and allocate residual heat sources. The levelized cost of heat (LCOH) was calculated per cluster to support infrastructure planning. The results demonstrate the effectiveness of data-driven modeling for both temporal forecasting and spatial energy optimization. The proposed methodologies are generalizable and can inform scalable, lowcarbon district energy strategies.

Titre traduit

Méthodologies basées sur les données et modèles avancés d’apprentissage machine pour la prédiction, l’évaluation et la recommandation de mesures de charge énergétique et d’analyse dans les zones de district

Résumé traduit

Plusieurs méthodes de modélisation des systèmes énergétiques des districts ont été proposées comme solutions potentielles aux défis posés par la Modélisation des systèmes énergétiques des bâtiments et des districts. Une approche prometteuse consiste à utiliser des modèles à boîte blanche, qui reposent sur des équations physiques détaillées et des paramètres pour simuler avec précision les flux d'énergie et la dynamique des systèmes. Ces modèles offrent une grande précision et une compréhension approfondie des processus physiques au sein des bâtiments et des districts. Cependant, les modèles de type boîte blanche peuvent être intensifs en calcul et nécessitent souvent des données d'entrée très détaillées. D'autres approches, telles que les modèles de type boîte noire et les modèles hybrides, sont également explorées pour équilibrer la précision avec l'efficacité computationnelle, en particulier lorsque la disponibilité des données ou la complexité des systèmes limite la praticité des modèles à boîte blanche.

Un autre méthode consiste à utiliser des modèles à boîte noire, y compris des algorithmes d'apprentissage automatique et des réseaux neuronaux artificiels. Les modèles à boîte noire se concentrent sur la reconnaissance des motifs et les relations statistiques dans les données plutôt que sur les principes physiques. Ils sont particulièrement utiles lorsque des données historiques abondantes sont disponibles, permettant de modéliser efficacement des relations complexes et non linéaires sans nécessiter de connaissances détaillées du système. Cependant, ces modèles manquent souvent d'interprétabilité, ce qui rend difficile la compréhension des processus sousjacents et des relations causales. Malgré cela, les modèles à boîte noire peuvent offrir une grande précision prédictive et sont moins gourmands en ressources computationnelles, ce qui les rend adaptés à la modélisation énergétique à grande échelle dans les districts, où des approximations rapides sont nécessaires.

Cette étude se concentre sur l'utilisation d'applications d'apprentissage machine et de réseaux neuronaux profonds pour prédire et évaluer les mesures de demande énergétique et effectuer des analyses détaillées. Plus précisément, elle vise à développer des modèles capables de prévoir la demande énergétique, d'évaluer la distribution des charges et d'identifier les schémas de consommation dans diverses zones. L'étude inclut l'application de méthodes de régression, de classification et de regroupement (clustering), ainsi que des réseaux neuronaux profonds, pour capturer efficacement les tendances de consommation d'énergie linéaires et non linéaires. En utilisant ces techniques, l'étude cherche à générer des prévisions précises des charges énergétiques et à découvrir des informations sur les facteurs influençant la demande énergétique dans des environnements urbains complexes.

La recherche s'applique à des études de cas concernant le campus de l'Université de la Colombie-Britannique (UBC) à Vancouver et la ville de Stockholm en Suède. Ces zones présentent des caractéristiques d'utilisation énergétique uniques en raison de leurs climats, infrastructures et densités de population différentes, ce qui en fait des cas idéales pour des analyses comparatives. Les objectifs de l'étude incluent l'amélioration de l'efficacité des systèmes de distribution d'énergie, l'identification des périodes de demande de pointe et le soutien à la planification énergétique durable pour de grandes zones de district. De plus, les informations recueillies peuvent éclairer les pratiques de gestion énergétique à l'échelle des districts et faciliter l'intégration des sources d'énergie renouvelable, contribuant ainsi au développement de systèmes énergétiques urbains plus intelligents et résilients.

Cette thèse développe et évalue des méthodologies basées sur les données ainsi que des modèles avancés d’apprentissage automatique (ML) pour la prédiction, l’analyse et la recommandation de mesures de charge énergétique dans les systèmes énergétiques urbains à l’échelle des quartiers. Elle compare des outils de modélisation de type « boîte blanche », « boîte noire » et hybrides, en mettant l’accent sur leur applicabilité dans les pratiques de conseil en énergie. La recherche se concentre sur deux études de cas principales : le campus de l’Université de la Colombie-Britannique (UBC) et la ville de Stockholm.

Pour UBC, divers modèles de ML et d’apprentissage profond notamment les arbres de décision, la régression par vecteurs de support et les réseaux de neurones artificiels ont été appliqués pour prévoir la consommation d’électricité, d’eau chaude et de gaz. Ces modèles ont atteint une précision prédictive élevée (par exemple, R² allant jusqu’à 0,94, faible MAE), et leurs performances ont été validées à l’aide d’une division structurée des données en ensembles d'entraînement, de test et de validation.

Pour Stockholm, des méthodes de regroupement spatial (K-moyennes, regroupement agglomératif) ont été utilisées pour cartographier la demande de chaleur et attribuer les sources de chaleur résiduelle. Le coût actualisé de la chaleur (LCOH) a été calculé par groupe afin de soutenir la planification des infrastructures. Les résultats démontrent l’efficacité de la modélisation axée sur les données tant pour la prévision temporelle que pour l’optimisation énergétique spatiale. Les méthodologies proposées sont généralisables et peuvent guider des stratégies énergétiques urbaines évolutives et à faible émission de carbone.

Type de document:	Mémoire ou thèse (Thèse de doctorat électronique)
Renseignements supplémentaires:	"Manuscript based presented to École de technologie supérieure in partial fulfillement of the requirements for the degree of doctorate in engineering". Comprend des références bibliographiques (pages 165-183).
Mots-clés libres:	modélisation énergétique des districts, modèles à boîte blanche, modèles à boîte noire, apprentissage automatique, prédiction des charges énergétiques
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Ilinca, Adrian
Programme:	Doctorat en génie > Génie
Date de dépôt:	18 août 2025 13:39
Dernière modification:	18 août 2025 13:39
URI:	https://espace.etsmtl.ca/id/eprint/3664

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt